thorstenvoice/cosyvoice-tts

Thorsten-Voice · CosyVoice TTS服务器

镜像概述

这是一个Docker容器化的德语文本转语音（TTS）服务，基于https://github.com/FunAudioLLM/CosyVoice%E6%A8%A1%E5%9E%8B%EF%BC%8C%E5%B9%B6%E4%BD%BF%E7%94%A8Thorsten-Voice%E6%95%B0%E6%8D%AE%E9%9B%86%E8%BF%9B%E8%A1%8C%E5%BE%AE%E8%B0%83%E3%80%82%E9%80%9A%E8%BF%87HTTP%E6%8E%A5%E5%8F%A3%E5%8F%91%E9%80%81%E6%96%87%E6%9C%AC%EF%BC%8C%E5%8D%B3%E5%8F%AF%E8%8E%B7%E5%8F%96WAV%E6%A0%BC%E5%BC%8F%E7%9A%84%E8%AF%AD%E9%9F%B3%E6%96%87%E4%BB%B6%E3%80%82

核心功能

• 提供HTTP POST接口生成单句或多句德语语音
• 支持调整语音速度（0.5~2.0）
• 批量合成多个句子为单个音频文件
• 健康检查接口验证服务状态
• 支持NVIDIA GPU加速（Linux环境）
• 模型自动下载并缓存到卷中，后续启动更快

使用场景

• 德语内容的语音合成需求（如播客、有声书）
• 集成到应用程序中提供语音输出功能
• 批量生成德语语音文件
• 快速搭建TTS服务原型

配置说明

快速开始

bash
docker run -p 8000:8000 \
  -v cosyvoice_models:/app/CosyVoice/pretrained_models \
  thorstenvoice/cosyvoice-tts  

首次启动：模型会自动下载（约8.5GB），耗时5-15分钟（取决于网络）。后续启动因模型缓存会更快（约30秒）。当看到Uvicorn running on http://0.0.0.0:8000时，服务已就绪。

生成音频

单句语音：

bash
curl -X POST http://localhost:8000/tts \
     -F "text=Hallo, ich bin Thorsten. Schön, dass du da bist." \
     --output thorsten.wav  

生成的thorsten.wav即为合成语音文件。

调整语速

bash
curl -X POST http://localhost:8000/tts \
     -F "text=Das hier wird etwas langsamer gesprochen." \
     -F "speed=0.85" \
     --output output.wav  

批量合成

bash
curl -X POST http://localhost:8000/tts_batch \
     -F 

### 健康检查
```bash
curl http://localhost:8000/health  
# {"status":"ok","model":"CosyVoice3-Thorsten"}

Docker Compose（推荐）

创建docker-compose.yml：

yaml
services:
  cosyvoice-tts:
    image: thorstenvoice/cosyvoice-tts:cosyvoice3
    ports:
      - "8000:8000"
    volumes:
      - cosyvoice_models:/app/CosyVoice/pretrained_models
    restart: unless-stopped

volumes:
  cosyvoice_models:  

启动：

bash
docker compose up  

GPU支持（仅Linux + NVIDIA）

在docker-compose.yml中添加deploy部分：

yaml
services:
  cosyvoice-tts:
    image: thorstenvoice/cosyvoice-tts:cosyvoice3
    ports:
      - "8000:8000"
    volumes:
      - cosyvoice_models:/app/CosyVoice/pretrained_models
    restart: unless-stopped
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]

volumes:
  cosyvoice_models:  

修改端口

bash
docker run -p 9000:9000 \
  -e PORT=9000 \
  -v cosyvoice_models:/app/CosyVoice/pretrained_models \
  thorstenvoice/cosyvoice-tts  

性能基准

以下是不同硬件上的测试结果：

模型信息

该容器使用https://huggingface.co/Thorsten-Voice/CosyVoice3%E6%A8%A1%E5%9E%8B%EF%BC%8C%E5%9F%BA%E4%BA%8Ehttps://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512%E5%BE%AE%E8%B0%83%EF%BC%8C%E6%95%B0%E6%8D%AE%E9%9B%86%E4%B8%BAThorsten-Voice 2022.10。

相关链接

• Thorsten-Voice官网
• https://huggingface.co/Thorsten-Voice/CosyVoice3
• https://github.com/FunAudioLLM/CosyVoice
• https://github.com/thorstenMueller/Thorsten-Voice/tree/main/docker/cosyvoicetexts=Erster Satz.\nZweiter Satz.\nDritter Satz.'
  --output batch.wav

### 健康检查
__CODE_TOKEN_4__

### Docker Compose（推荐）
创建__CODE_TOKEN_11__：
__CODE_TOKEN_5__
启动：
__CODE_TOKEN_6__

### GPU支持（仅Linux + NVIDIA）
在__CODE_TOKEN_12__中添加__CODE_TOKEN_13__部分：
__CODE_TOKEN_7__

### 修改端口
__CODE_TOKEN_8__

## 性能基准
以下是不同硬件上的测试结果：
| 硬件 | 短文本（约8词） | 长文本（约80词） |
|------|----------------|----------------|
| MacBook Air M1（CPU） | 47秒 | 4分30秒 |
| QNAP NAS Intel（CPU） | 50秒 | — |
| RunPod RTX 4090（GPU） | **2.9秒** | **12.9秒** |
GPU比CPU快约16倍，即使中端GPU也能显著优于CPU推理。

## 模型信息
该容器使用https://huggingface.co/Thorsten-Voice/CosyVoice3模型，基于https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512微调，数据集为Thorsten-Voice 2022.10。

## 相关链接
- Thorsten-Voice官网  
- https://huggingface.co/Thorsten-Voice/CosyVoice3  
- https://github.com/FunAudioLLM/CosyVoice  
- https://github.com/thorstenMueller/Thorsten-Voice/tree/main/docker/cosyvoice